本研究提出了一种新颖的方程发现框架KAN-PISF，结合去噪算法、可解释神经网络和物理信息样条拟合，旨在提高动态系统建模的可解释性。该方法成功识别非线性方程结构，展示了在物理理解与建模中的潜在影响。

本文综述了图像去噪领域的监督学习和无监督学习方法，介绍了去噪算法的演变、原理及其局限性，特别关注基于去噪扩散模型的最新进展，强调不同方法在处理噪声时的有效性。

本文提出了一种基于变分法的正则化方法RED-Diff，旨在解决扩散模型后验分布不可计算的问题。通过引入不同时间步的去噪器，提升了图像修复等应用的性能。此外，去噪扩散变分推断（DDVI）算法和ProjDiff算法在图像恢复和信源分离任务中表现优异，展示了其实际应用潜力。

该文研究了利用深度神经网络来近似评分函数的效率，并通过变分推断去噪算法在图模型中得到较好的近似。同时，结合离散化误差界限为基于扩散的生成建模提供了有效的样本复杂度界限。